GPEN输入输出路径搞不清？自定义图片修复步骤详解

GPEN输入输出路径搞不清？自定义图片修复步骤详解

你是不是也遇到过这种情况：好不容易部署好了GPEN人像修复模型，结果一运行，不知道图片该放哪、输出去哪、参数怎么写？别急，这篇文章就是为你准备的。我们不讲复杂的原理，也不堆术语，就手把手带你搞清楚输入输出路径怎么设置、自定义图片如何修复、结果保存在哪这些实际问题。

本文基于预装环境的GPEN人像修复增强模型镜像展开，所有操作都经过实测验证，确保你照着做就能出效果。无论你是刚接触AI图像修复的新手，还是卡在路径配置上的“半熟用户”，这篇都能帮你理清思路，快速上手。

1. 镜像环境说明

先简单了解一下这个镜像到底给你准备了什么“装备”。它不是裸模型，而是一个完整可运行的开发环境，省去了你自己配依赖、下权重的麻烦。

主要依赖库

• facexlib: 负责人脸检测和关键点对齐，是人像处理的关键前置步骤
• basicsr: 提供基础图像超分支持，保证画质提升稳定性
• opencv-python,numpy<2.0: 图像读取与数值计算基础
• datasets==2.21.0,pyarrow==12.0.1: 数据加载相关依赖
• sortedcontainers,addict,yapf: 辅助工具库，用于配置解析和排序等

这套环境已经把所有可能出错的依赖版本都固定好了，避免了“本地能跑线上报错”的尴尬局面。

2. 快速上手：从激活到第一次运行

2.1 激活环境

镜像中使用的是 Conda 管理的虚拟环境，第一步必须先激活：

conda activate torch25

这一步不能跳过，否则会因为缺少 CUDA 或 PyTorch 支持而报错。

2.2 进入代码目录

所有推理脚本都在/root/GPEN目录下：

cd /root/GPEN

你可以用ls查看当前目录内容，主要文件包括：

• inference_gpen.py：主推理脚本
• test.jpg或类似测试图：默认示例图片
• configs/：模型配置文件夹
• weights/（或缓存路径）：存放预训练权重

3. 输入输出路径详解：别再搞混了！

很多人一开始最头疼的就是：我的照片放哪？输出去哪？名字能不能改？

下面我们通过三个典型场景，彻底讲明白输入输出的控制方式。

3.1 场景一：运行默认测试图（适合首次验证）

如果你刚启动实例，想先看看效果，可以直接运行：

python inference_gpen.py

这条命令会自动加载内置的测试图片（通常是Solvay_conference_1927.jpg这类经典老照片），进行人像修复，并生成一个名为output_Solvay_conference_1927.png的结果图。

📌关键信息：

• 输入：脚本内硬编码或默认查找test.jpg
• 输出：项目根目录下，以output_原图名.png命名
• 无需任何参数，适合快速验证环境是否正常

3.2 场景二：修复自己的照片（最常用）

这才是大多数人真正需要的功能——上传一张自己的低清/模糊人像，让GPEN帮你变高清。

假设你已经把照片my_photo.jpg上传到了/root/GPEN/目录下，执行以下命令：

python inference_gpen.py --input ./my_photo.jpg

📌输入路径说明：

• --input或-i参数指定输入文件
• 路径可以是相对路径（如./my_photo.jpg）或绝对路径（如/root/GPEN/my_photo.jpg）
• 文件格式支持.jpg,.jpeg,.png等常见图像格式

📌输出路径规则：

• 默认输出路径为当前项目根目录（即/root/GPEN）
• 默认命名规则：output_原文件名.png
• 上面命令的结果将保存为：output_my_photo.png

✅ 小贴士：如果你想保留原始格式，可以在脚本中修改输出逻辑，但默认统一输出为 PNG 格式以保证质量无损。

3.3 场景三：自定义输出文件名和路径

有时候你不只想改名字，还想把结果存到特定文件夹里，比如/root/results/。

虽然默认脚本不直接支持复杂路径，但我们可以通过参数灵活控制：

python inference_gpen.py -i test.jpg -o custom_name.png

或者更进一步：

python inference_gpen.py --input ./my_photo.jpg --output /root/results/final_highres.png

📌注意前提：

• 目标目录必须存在！如果/root/results/不存在，程序会报错。
• 建议提前创建好输出目录：

mkdir -p /root/results

然后运行带完整路径的命令即可成功导出。

4. 实战演示：完整流程走一遍

我们来模拟一次真实使用过程，帮助你建立完整的操作认知。

步骤 1：准备你的图片

假设你要修复一张叫old_portrait.jpg的旧人像照片。

上传该文件到/root/GPEN/目录（可通过网页终端拖拽上传，或使用 SCP 命令）。

步骤 2：创建输出目录

mkdir -p /root/output

步骤 3：执行修复命令

python inference_gpen.py --input ./old_portrait.jpg --output /root/output/restored_face.png

步骤 4：查看结果

运行完成后，进入/root/output/目录查看：

ls /root/output/ # 输出：restored_face.png

你可以下载这个文件，对比原图和修复后的效果。你会发现：

• 皮肤纹理更清晰
• 眼睛更有神
• 胡须、发丝细节得到重建
• 整体看起来像是用高端相机重新拍摄的一样

5. 权重文件与离线运行保障

为了让用户在没有网络的情况下也能顺利推理，镜像中已预置了必要的模型权重。

已包含的模型组件

• 生成器模型（Generator）：负责最终的高清重建
• 人脸检测器（Face Detector）：基于 RetinaFace 实现
• 关键点对齐模型（Landmark Aligner）：确保人脸正面对齐后再处理

权重存储位置

这些模型通过 ModelScope 下载并缓存于：

~/.cache/modelscope/hub/iic/cv_gpen_image-portrait-enhancement

这意味着：

• 第一次运行时可能会稍慢一点（需加载模型）
• 后续运行速度极快，无需重复下载
• 即使断网也能正常推理

💡 如果你想手动更新模型或更换版本，可以删除该目录下的对应文件夹，系统会在下次运行时重新拉取。

6. 常见问题与避坑指南

Q1：为什么运行时报错“File not found”？

最常见的原因是路径写错了。请检查：

• 图片是否真的存在于你指定的路径？
• 是用了./还是/？Linux 区分大小写和斜杠方向
• 是否忘了激活环境导致某些库缺失？

建议做法：先进入/root/GPEN目录，用ls确认文件是否存在。

Q2：输出图片为什么是黑白的或颜色异常？

这通常是因为 OpenCV 读取图像时通道顺序问题。GPEN 内部已做处理，但如果自行修改脚本，请注意：

• OpenCV 默认读取为 BGR
• 显示或保存前应转为 RGB

标准转换方法：

import cv2 img = cv2.imread("input.jpg") img_rgb = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)

Q3：能否批量处理多张图片？

目前inference_gpen.py默认只处理单张图。但你可以写个简单的 Shell 脚本来实现批量处理：

for img in *.jpg; do python inference_gpen.py --input "$img" --output "output_$img" done

把这个脚本保存为batch.sh，放在图片目录下运行即可。

Q4：修复后的人脸变形了怎么办？

可能是原图角度太偏、遮挡严重或分辨率过低。GPEN 对正面或轻微侧脸效果最好。建议：

• 尽量选择清晰、正对镜头的照片
• 避免戴墨镜、口罩等大面积遮挡
• 分辨率不低于 128x128

7. 扩展应用：不只是修复老照片

GPEN 的能力远不止“让老人照片变年轻”，它在多个实际场景中都有价值。

应用场景举例

只要你有高质量人像需求，GPEN 都能成为你的“图像美容师”。

8. 总结

通过这篇文章，你应该已经彻底搞清了 GPEN 模型的输入输出机制和自定义修复流程。我们再来快速回顾一下重点：

1. 环境已配好：PyTorch + CUDA + 所有依赖全都有，开箱即用
2. 输入很简单：用--input指定你的图片路径即可
3. 输出可定制：通过--output控制保存位置和文件名
4. 权重已预装：无需联网下载，离线也能跑
5. 支持扩展：可批量处理、集成进业务系统、用于多种场景

现在你完全可以自信地上传自己的照片，运行命令，看着那张模糊的老照片一点点变得清晰动人。

技术本身不难，关键是知道每一步在做什么。希望这篇“不说废话”的指南，真真正正帮到了你。

获取更多AI镜像

想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。